MakoBench: +NSFW-Bench

47 von 56 Modellen Auf Folie 4.1: Das Board wurde am November 2026 veröffentlicht. Klicken Sie auf eine Spaltenüberschrift, um zu sortieren. Das Pfeilsymbol neben einem Namen zeigt alle Details zu diesem Modell an. Das i-Symbol neben einer Überschrift erklärt, was diese bedeutet. Mit Spalten legen Sie fest, welche Informationen angezeigt werden sollen; Export speichert die Tabelle.

Separater Test für Erwachsenenliteratur mit ausschließlich erwachsenen Charakteren; kein Bestandteil von „Total“.

Wir testen lokale Modelle auf einem einzigen Rechner: zwei RTX 5090- und zwei RTX 3090-Grafikkarten – insgesamt etwa 112 GB Videospeicher. Als Bewertungsmodell dient Gemma 4 31B (Q8). Die gehosteten Modelle werden über ihre eigenen APIs ausgeführt. Was das Gerät testen kann

• Gesamtwert = Code + Chat. 10 Punkte in jedem Bereich bedeuten, dass alle Standardtests erfolgreich absolviert wurden – somit sind 20 Punkte das maximale Ergebnis. Bonuspakete bringen weitere Punkte ein, bis zum maximal möglichen Wert. Der NSFW-Wert ist ein separates Kriterium (wie weit das Modell bei der Verarbeitung von explizitem Inhalt geht); er gehört nicht zum Gesamtwert dazu. Ein höherer Wert bedeutet weder besser noch schlechter – wählen Sie einfach das, was zu Ihren Bedürfnissen passt.
• Auf den Standardtests beträgt die maximale Punktzahl jeweils 10. Wenn ein Teil der Aufgaben zu 90 % oder mehr richtig gelöst wird, wird ein schwierigeres Bonus-Level freigeschaltet – dieses bringt 1 Punkt ein. Somit können die Punktzahlen für Code, Chat und NSFW über 10 liegen – bis zu 10 plus einem Punkt pro Paket in der Suite.
• ± Gesamtwert = die Hälfte des 90%-Intervalls einer Bootstrap-Analyse über alle Testfälle; Modelle, deren Werte näher beieinander liegen, gelten statistisch als gleichwertig.
• Jedes Modell wird nur einmal ausgeführt; daher gibt „±“ an, welche Fälle berücksichtigt wurden – nicht aber den Zufallsfehler zwischen den Ausführungen. Dadurch wird die tatsächliche Unsicherheit unterschätzt. Bei Zeilen mit denselben Gewichten („Quant“- oder „Serving-Tier“-Paare) beträgt die Abweichung bis zu 2,4 Punkte. Unterschiede von einem oder zwei Punkten sollten als Unentschiedenheit gewertet werden.
• Klasse ist ein grober Bereich in Total: S ≥ 16, A ≥ 13, B ≥ 10, C ≥ 0.
• „Lean“ bedeutet, dass die Seite eher zum Chat- oder Code-Stil neigt, wenn der Abstand zur Medianlinie des Boards 1,5 Punkte oder mehr beträgt; ansonsten ist die Seite ausgewogen.
• tok/s = mittlere Generierungsgeschwindigkeit; nur vergleichbar zwischen Modellen, die auf demselben Host ausgeführt werden.
• Quant = die von uns bewertete Quantisierung. Q8_0 ist der Standard für lokale Modelle; jede andere Quantisierung wird in den Zeilendetails als nicht standardmäßige Quantisierung gekennzeichnet. API = ein gehostetes Modell, das vom jeweiligen Anbieter bereitgestellt wird.
• Kosten pro Ausführung = Kosten für eine einzige Ausführung der Code- und Chat-Tests zu den Preisen des Anbieters – nur die Generierung der Ergebnisse. ~ = geschätzt anhand der Anzahl der Tokens zu den Listenpreisen. * bedeutet, dass bei einigen Anfragen keine Nutzungsdaten zurückkamen; daher könnte der Wert zu niedrig sein. — = Ausführung auf unserer eigenen Hardware – daher entstehen keine Kosten.
• N blockiert = Der Inhaltsfilter des Anbieters hat N Antworten blockiert; jede erhält die Note Null.
• Eine Zeile pro Modell: Andere Quanten und Service-Tiers mit denselben Gewichten befinden sich unter der Hauptzeile (Pfeil öffnen) und werden nicht rangiert.
• ⚠ Vorläufig = ohne Rang angezeigt; der Grund dafür steht in der Zeile (fehlgeschlagene Kompatibilitätsprüfung, Tests noch nicht abgeschlossen oder Bonuspakete, die erneut ausgeführt werden müssen). Eine Zeile, die erneut ausgeführt werden kann, erhält einen Rang nach der erneuten Ausführung; Zeilen, die unter Q5 getestet wurden, sowie Modelle, die für alle Tests zu klein sind, bleiben ungerankt.
• Ein Bindestrich bei „Total“ bedeutet, dass ein Teil der Ausführung dieses Modells (Code, Chat oder ein Bonus-Paket) noch nicht bewertet wurde und daher auch nicht rangiert ist.